版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
本发明提供一种基于深度学习的列车故障检索与当前列车故障特征链数据存在关联模式算各先验故障特征链数据与当前列车故障特征式故障特征链数据,为故障诊断提供了参考信2对目标列车上报的列车故障特征链数据进行深度特征学习,生成所述列检索所对应的低维嵌入矢量与所述列车故障特征链数据的低维嵌入矢量存在关联模高维细节矢量与所述列车故障特征链数据的高维细节矢量存在关联模式关系的多个先验计算所述第一先验故障特征链数据序列和所述第二先验故障特征链数据序列中的每个先验故障特征链数据与所述列车故障特征链数据之间基于所述关联度,从所述第一先验故障特征链数据序列和所述据序列中提取与所述列车故障特征链数据存在关联模式关系的多个关联模式故障特征链基于所述列车故障特征链数据以及所述多个关联模式故障特征链数据,对所障特征链数据的低维嵌入矢量和高维细节矢量是利用目标深度特征学习网络对所述列车基于所述深度特征学习网络对应的第一样例故障特征链对第一样例故障特征链数据中的局部节点特征进行窗口屏蔽,生成所述节点特征还原网络得到的所述屏蔽窗口对应的节点特征为所述目标节点特征的置基于所述置信度优化所述节点特征还原网络的神经元参数信息,障特征链数据的低维嵌入矢量和高维细节矢量是利用目标深度特征学习网络对所述列车获取第二样例故障特征链数据、以及所述第二样例故障特征链数利用深度特征学习网络分别对所述第二样例故障特征链数据和所述样例关联模式故计算所述样例关联模式故障特征链数据的低维嵌入矢量与所述第二样例故障特征链3基于所述样例关联模式故障特征链数据对应的低维关联度计对所述样例关联模式故障特征链数据对应的低维关联度和高维关联度进行加权计算,基于所述低维网络学习误差参数、所述高维网络学习误差参数以联模式故障特征链数据包含与所述第二样例故障特征链数据存在关联模式关系的积极样所述基于所述样例关联模式故障特征链数据对应的基于所述积极样例故障特征链数据对应的低维关联度以及所述消极样例故障特征链维网络学习误差参数与所述积极样例故障特征链数据对应的低维关联度为反向关联关系,与所述消极样例故障特征链数据对应的低维关联度为正向关获取所述列车故障特征链数据对应的故障特征路径图,并提取所基于所述多个故障特征路径分别对应的图卷积结果,提取所述对所述列车故障特征链数据进行路径分解,生成初始故障特征路径所述基于所述多个故障特征路径分别对应的图卷积结果,提取所将所述初始节点特征对应的图卷积结果作为所述列车故障特征链数据的高维细节矢4获取目标深度特征学习网络;其中,所述目标深度特征学习网络述首个深度特征提取单元之外的其它深度特度特征提取单元提取到的图卷积结果集合中提取所述多个故障特征路径分别对应的图卷所述基于所述多个故障特征路径分别对应的图卷积结果,提取所基于所述多个级联的深度特征提取单元中末个深度特征提取单元提取到的图卷积结基于所述每个故障特征路径的图卷积结果,计算所述每个故基于预设故障特征路径库以及所述故障特征路径图包含的多个故障特征路径分别对应的影响权重,计算所述预设故障特征路径库中包含的多个故障特征路径分别对应的权其中,在计算所述预设故障特征路径库中包含的任意障特征路径在所述故障特征路径图中的影响权重以及所述任意一个故障特征路径在所述如果所述故障特征路径图中不包含所述任意一个故障特9.根据权利要求1_8中任意一项所述的基于深度学习的列车故障诊断方法,其特征在计算所述每个先验故障特征链数据的低维嵌入矢量与所述列车故障特征链数据的低计算所述每个先验故障特征链数据的高维细节矢量与所述列车故障特征链数据的高对所述每个先验故障特征链数据对应的低维关联度和高维关联度进行的加权关联度作为所述每个先验故障特征链数据与所述列车故障特征链数据之间的关联56检索所对应的低维嵌入矢量与所述列车故障特征链数据的低维嵌入矢量存在关应的高维细节矢量与所述列车故障特征链数据的高维细节矢量存在关联模式关系的多个计算所述第一先验故障特征链数据序列和所述第二先验故障特征链数据序列中链数据序列中提取与所述列车故障特征链数据存在关联模式关系的多个关联模式故障特7[0006]图1是本发明实施例提供的基于深度学习的列车故障诊断方法的执行流程示意[0008]下面结合说明书附图对本发明进行具体说明,图1是本发明一种实施例提供的基链数据输入到深度特征学习网络中,通过反向传播算法等技术手段对网络的参数进行优8[0016]基于多个级联的深度特征提取单元中末个深度特征提取单元提取到的图卷积结预设故障特征路径库以及故障特征路径图包含的多个故障特征路径分别对应的影响权重,9矢量可以看作是对列车故障特征链数据的一种低维度表示,其包含了数据的主要特征信检索所对应的高维细节矢量与所述列车故障特征链数据的高维细节矢量存在关联模式关车是高速动车组列车,其列车故障特征链数据的低维嵌入矢量反映了列车当前在牵引系据序列。征链数据序列。据序列中的每个先验故障特征链数据与所述列车故障特征链数控制等相关的维度上的数值与目标列车故障特征链数据的低维嵌入矢量相应维度上的数关联度作为该先验故障特征链数据与列车故障特征链数据之间的验故障特征链数据序列中提取与所述列车故障特征链数据存在关联模式关系的多个关联[0029]假设服务器设定一个关联度阈值为0[0032]步骤S150,基于所述列车故障特征链数据以及所述多个关联模式故障特征链数服务器就可以初步诊断目标列车的制动故障是由于制动片磨矢量是利用目标深度特征学习网络对所述列车故障特征链数据进行深度特征学习生成的。[0048]同时,从原始的第一样例故障特征链数据中获取被屏蔽窗口对应的目标节点特制信号数据以及整个故障特征链数据中车辆控制系统的整体运行状态等信息来尝试还原矢量是利用目标深度特征学习网络对所述列车故障特征链数据进行深度特征学习生成的。障特征链数据的高维细节矢量与第二样例故障特征链数据的高维细节矢量之间的关联度,如果低维关联度异常升高到0.5(本应很低低维网络学习误差参数可能会变为0.5(较后根据这个加权关联度计算加权网络学习误差参数,如果加权关联度接近1(表示关联度径的图卷积结果包含所述每个故障特征路径在所述故障特征路径图低维嵌入矢量和高维细节矢量时,首先要获取列车故障特征链数据对应的故障特征路径将所述初始节点特征对应的图卷积结果作为所述列车故障特征链数据的高维细除所述首个深度特征提取单元之外的其它深度特征路径分别对应的图卷积结果,生成所述首个深度特征提取单元提取到的图卷积结果集的深度特征提取单元提取到的图卷积结果集合中提取所述多个故障特征路径分别对应的基于所述多个级联的深度特征提取单元中末个深度特征提取单元提取到的图卷[0080]基于预设故障特征路径库以及所述故障特征路径图包含的多个故障特征路径分个故障特征路径在所述故障特征路径图中的影响权重以及所述任意一个故障特征路径在深度特征提取单元,从故障特征路径图中提取多个故障特征路径分别对应的图卷积结果,向的深度特征提取单元提取到的图卷积结果集合中提取多个故障特征路径分别对应的图卷积结果,生成每一个其它深度特征提取单元提取到的图卷积结果集合。以第二个深度特征提取单元为例,它会根据第一个深度特征提取单元得到的图卷积结果集合,进一步分析第一个深度特征提取单元得出了各个单一故障特征路径的图卷积结果,第二个深度特征提关系后的新的图卷积结果集合。后续的深度特征提取单元也按照类似的方式依次进行计算。度特征提取单元提取到的图卷积结果集合包含了各个故障特征路径经过多层分析后的最变化的关系以及制动系统故障时不同子部件之间的故障传[0088]基于预设故障特征路径库以及故障特征路径图包含的多个故障特征路径分别对么基于这个故障特征路径在故障特征路径图中的影响权重以及这个故障特征路径在图中特征链数据对应的加权关联度作为所述每个先验故障特征链数据与所述列车故障特征链低维嵌入矢量与当前列车故障特征链数据的低维嵌入矢量之间的关联度。在这个例子中,先验故障特征链数据的低维嵌入矢量在电机功率和速度控制相关维度上的数值与当前列制动系统故障的,由于与当前列车牵引系统故障的低维嵌入矢量在关键维度上差异较大,链数据的高维细节矢量之间的关联度,以生成每个先验故障特征链数据对应的高维关联特征链数据的高维细节矢量包含了牵引电机电流异常波动与车辆控制系统中控制信号异制动系统内部的关系,与当前列车牵引系统故障的高维细节矢量在内容和结构上完全不要对这两个关联度进行加权计算,从而生成每个先验故障特征链数据对应的加权关联度,并将这个加权关联度作为每个先验故障特征链数据与列车故障特征链数据之间的关联度。假设服务器根据历史数据的分析和经验设定低维关联度的权重为0.4,高维关联度的权重综合考虑了低维和高维的关联情况,能够更全面地反映先验故障特征链数据与当前列车故障特征链数据之间的关联程度。对于另一个先验故障特征链数据,如果低维关联度为0.3个先验故障特征链数据与当前列车故障特征链数据之间的关联度较低。通过这样的加[0095]图2示出了本发明实施例提供的用于实现上述的基于深度学习的列车故障诊断方列车故障诊断系统
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026衢州龙游县人民医院招聘超声科医生、检验科技术人员、总务科机修人员3人考试参考试题及答案解析
- 2026年广东金雁工业集团有限公司招聘1人笔试备考题库与答案解析
- 2026年福建厦门市华侨中学补充非在编职员招聘2人笔试备考题库与答案解析
- 2026年宿州萧县公开选调教师260名笔试备考题库与答案解析
- 2026年科技会展服务行业产业链研究报告及未来五至十年市场集中化与渠道变革
- 2026年大冶市城区义务教育学校选聘教师笔试备考题库与答案解析
- 2026年2-溴-2-甲基丙酰溴行业洞察报告及未来五至十年发展趋势报告
- 2026年溴氰菊酯行业洞察报告及未来五至十年发展趋势报告
- 2026年广丰区公开选拔校(园)长工作笔试备考题库与答案解析
- 2026年家庭服务行业现状及前景展望报告及未来五至十年智能体与场景落地
- 江苏省南京市七校2025-2026学年高一上学期期中联合调研试题语文
- 2025年河北省机关事业单位工人技能等级考试(果树工)参考题库附答案
- 2025年Walmart FCCA质量技术验厂标准要求及评分标准
- 湘少版五年级上册英语全册教案(表格式)
- 林业GPS使用培训课件
- 标准气体管理办法
- 发电厂运行及事故预想处理方法
- DB42T 823-2021 建设工程造价咨询质量控制规范
- 动脉穿刺介入治疗术后护理讲课件
- 毕业设计(论文)-基于FDM的3D打印机设计
- EAST5.0数据结构一览表
评论
0/150
提交评论